Keras ist eine Open-Source-Bibliothek für Deep Learning, die eine hochrangige, benutzerfreundliche API zum Erstellen und Trainieren von neuronalen Netzen bereitstellt. Sie wurde von Francois Chollet entwickelt und erstmals im März 2015 veröffentlicht. Sie wurde zu einem der am weitesten verbreiteten Einstiegspunkte in das Deep Learning und wird dafür geschätzt, dass Forscher und Studierende Modelle in wenigen lesbaren Codezeilen definieren können.
Geschichte
Keras begann als unabhängige Bibliothek, die auf mehreren Backends laufen konnte, zunächst Theano und später TensorFlow und Microsofts CNTK. Ihre Popularität wuchs schnell im Zuge der Deep-Learning-Welle nach AlexNet, und 2017 übernahm Google sie als offizielle High-Level-API von TensorFlow und lieferte sie als tf.keras aus. Im Jahr 2023 kehrte das Projekt mit Keras 3 zu seinen Multi-Backend-Wurzeln zurück, das auf TensorFlow, PyTorch und JAX aus einer einzigen Codebasis läuft - eine bewusste Entscheidung gegen Framework-Lock-in zu einer Zeit, als sich die Forschung um PyTorch konsolidiert hatte.
Designphilosophie
Chollet beschrieb das Leitprinzip als "Deep Learning für Menschen": konsistente und einfache Schnittstellen, sinnvolle Standardwerte, progressive Offenlegung von Komplexität und klare Fehlermeldungen. Ein Modell wird aus zusammensetzbaren Schichten aufgebaut, mit einer Verlustfunktion und einem Optimierer kompiliert und mit einem einzigen fit-Aufruf trainiert, der Gradientenabstieg, Batch-Verarbeitung, Validierungssplits und Callbacks übernimmt. Diese Abstraktion machte Keras zu einem Standard-Lehrmittel, das in einflussreichen Online-Kursen von Andrew Ng und in Cholets eigenem viel gelesenem Lehrbuch "Deep Learning with Python" vorgestellt wird.
Rezeption und Einfluss
Keras wurde für die Qualität der Dokumentation und die pädagogische Klarheit gelobt, in Forschungskontexten jedoch dafür kritisiert, zu viel von der Trainingsschleife zu verbergen; fortgeschrittene Nutzer greifen oft auf niedrigere APIs für benutzerdefinierte Architekturen zurück. Seine schichtorientierte Ergonomie prägte spätere Frameworks und High-Level-Wrapper im gesamten Ökosystem, und seine Fehlermeldungsphilosophie wurde zu einem Referenzpunkt in Diskussionen über die Entwicklererfahrung von Machine-Learning-Werkzeugen. Während die groß angelegte LLM-Forschung heute von PyTorch dominiert wird, bleibt Keras in Industrie, Bildung und angewandter Arbeit weit verbreitet und wird dafür anerkannt, die Einstiegshürde in den formativen Jahren des Deep Learning gesenkt zu haben.